人工智能现在非常聪明，以至于“硅脑”想法经常会超越人们。

来自威斯康辛大学麦迪逊分校和橡树岭国家实验室的研究人员已经训练了计算机来快速、持续地检测和分析用于核反应堆材料的微观辐射损伤。在这项艰巨的任务中，计算机胜过了人类专家。利用机器学习技术使人工智能在分析潜在核反应堆材料的损害方面比有经验的专家会做得更好。

机器学习具有巨大的潜力，可以改变目前与人有关的显微镜图像分析方法。材料科学中的许多问题都是基于图像的，但是很少有研究人员具有机器视觉方面的专业知识，从而使得图像识别和分析成为主要的研究瓶颈。

机器学习使用统计方法来指导计算机在没有得到任何人类明确指导的情况下改进其在任务中的性能。本质上，机器学习是教计算机自学。

研究人员将机器学习作为一种快速筛选暴露在辐射下材料的电子显微镜图像的手段，并识别一种特定类型的损伤，这是一项具有挑战性的任务，因为这些照片可能类似于月球表面一样坑坑洼洼的或像一幅喷漆的画布。这项工作对开发安全的核材料至关重要，它可以使耗时的过程更加高效。

人类的检测和识别很容易出现错误、不一致、效率低下。也许最重要的是，不具有可扩展性。更新的成像技术将会超越人类分析数据的能力。

以前，图像处理算法依赖于人类程序员来提供对对象识别特性的显式描述。教计算机识别一些简单的东西，比如停车标志，这可能会涉及到描述红色八角形对象的代码行。

当今的机器学习图像分析方法通常使用一种叫做神经网络的程序，这种程序似乎模仿了人类大脑卓越的分层模式识别能力。为了教会一个神经网络识别一只猫，科学家们只需“训练”这个程序，提供一系列精确标记的各种猫的图片。神经网络从那里接管，为最重要的功能建立和完善自己的指导方针。

例如：科学家教了一个神经网络来识别一种非常特殊类型的辐射损伤，叫做脱位环，这是一种最常见的，但也是最具挑战性的缺陷，即使对一个有几十年经验的人来说，也很难识别和量化。

在对270幅图像进行训练后，神经网络与另一种称为级联对象检测器的机器学习算法结合在一起，在一组测试图片中正确地识别并分类了大约86%的脱位环。相比之下，人类专家只发现了80%的脱位环。